SAM 2: 画像と動画のすべてをセグメント化

私たちは、画像と動画におけるプロンプト可能な視覚的セグメンテーションの解決を目指す基礎モデルであるSegment Anything Model 2（SAM 2）を紹介します。ユーザーとの相互作用を通じてモデルとデータを改善するデータエンジンを構築し、これまでで最大規模の動画セグメンテーションデータセットを収集しました。当社のモデルは、リアルタイムの動画処理に適したストリーミングメモリを持つシンプルなトランスフォーマー構造を採用しています。SAM 2は、私たちが収集したデータで学習され、幅広いタスクにおいて優れた性能を発揮します。動画セグメンテーションにおいては、従来の手法よりも3分の1少ない相互作用でより高い精度を達成しています。画像セグメンテーションでは、当社のモデルはSegment Anything Model（SAM）よりも正確さが向上し、6倍速い処理が可能です。私たちは、当社のデータ、モデル、および洞察が動画セグメンテーションや関連する知覚タスクにとって重要なマイルストーンとなると考えています。当社は、モデルのバージョン、データセット、および対話型デモを公開いたします。